随着互联网技术的快速发展,图像正以惊人的速度增长,如何将海量的图像数据根据图像的内容分成不同的类别是一个比较重要并富有意义的工作,图像分类技术正是在此基础上提出并发展而来。图像分类是机器学习和计算机视觉领域的一个基础的应用方向。词袋模型和空间金字塔匹配模型已经被普遍的应用在图像分类领域并取得了较好的效果。在基于词袋模型和空间金字塔匹配模型的图像分类过程中,视觉词典生成是一个重要的过程。原始的词袋模型和空间金字塔匹配模型通常使用K-means方法生成视觉词典。然而由于K-means聚类方法对于初始中心过于敏感,不易得到全局最优解等缺点严重影响了视觉词典的生成。稀疏编码作为一种神经网络方法,其已经成功的应用到图像分类领域中,并取得了较高的图像分类精度。本文的主要工作及成果如下：(1)实现了基于稀疏编码的图像分类方法。考虑到非负稀疏编码方法的优点,本文将非负稀疏编码应用到图像分类领域,同样取得了较好的分类效果。(2)提出了基于拉普拉斯非负稀疏编码的图像分类方法。拉普拉斯非负稀疏编码能够同时编码各部分特征,同时也能更好的模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,相对于非负稀疏编码图像分类方法,本方法应用在图像分类中取得了更高的分类精度。(3)提出了基于超图的拉普拉斯非负稀疏编码的图像分类方法。基于超图的拉普拉斯非负稀疏编码方法将超图与拉普拉斯非负稀疏编码相结合,能保持构成超边的各部分特征的相似性,从而具有更好的编码能力,和其他已经存在的图像分类方法相比,本方法取得的分类效果更好。